حذف نویز در حوزه Curvelet با استفاده از شبکه عصبی

در سالهای اخیر روشهای حذف نویز با استفاده از تبدیل موجک مورد توجه بسیاری از محققان بوده اس ت, ولی برخی ضعفهای آن مانند عدم امکان نمایش یکتایی خطی 1 باعث شد تا تبدیل موجک جهتدار مطرح شود که تبدیل Curvelet از این نوع است. در فرایند نویززدای ی, روشهای مختلفی برای محاسبه مقدار مناسب آستانه ارائه شده اس ت. روش پیشنهادی بر خلاف روشهای موجود, توزیع مستقل را برای ضرائب در حوزه تبدیل در نظر نمیگیرد؛ همچنین به اندازه تصویر وابسته نیس ت و به تخمین زدن پراکندگی نویز و یا پارامترهای دیگر نیاز ندارد . در این مقاله با استفاده از شبکه عصبی , مقدار مناسب آستانه برای تصویر محاسبه میشود. ابتدا برای آموزش شبکه عصب ی, ویژگیهای مهم تصویر آسیب دیده با نویز گوسی در حوزهCurvelet استخراج میشوند و با توجه به نسخه سالم تصویر , مقدار آستانه ایده آل 2 نیز محاسبه می شود. سپس ویژگیهای تصویر نویزی جدید به عنوان ورودی به شبکه داده م یشود تا شبکه آستانه مناسب را برای آن تخمین بزن د. نتایج آزمایش بر روی تصاویر مختلف نشان داد که روش پیشنهادی در مقایسه با روشهای مو جود دارای دقت مناسبی است . علاوه بر آن، به دلیل ویژگی تبدیلCurvelet در حفظ لب هها , تصاویر بهدست آمده دارای کیفیت بهتری نسبت به تبدیل موجک هستند.

کلیدواژه ها:

تبدیل Curvelet ، تبدیل موجک ، شبکه عصبی ، حذف نویز از تصویر ، آستانهگیری